10.3969/j.issn.1672-5867.2019.07.038
基于长时卷积深度网络的交通流预测方法
准确地进行交通流预测对保障公共安全和解决交通拥堵具有重要的意义,是近些年来具有挑战性的课题之一.本研究提出了一种基于长时卷积深度网络的交通流预测方法,将交通网络进行格网划分,其中每个像素表示当前单元格内的流量,那么交通流预测的问题就可以转化为给定一个包含静态动画的序列,预测每个像素未来的运动.文中所提出的模型是基于深度学习中的卷积神经网络(CNN)和长短期记忆模型(LSTM),用CNN来捕捉交通流量的空间依赖性,用LSTM来捕捉交通流量的时间依赖性,最后再结合可视化工具,对隐藏单元进行分析,进一步解释模型的有效性.我们用深圳市和北京市的出租车轨迹数据进行实验,实验结果表明,长时卷积深度网络在精度和可解释性方面都有很好的表现.
交通流预测、长短期记忆模型、卷积神经网络、可视化
42
P208(一般性问题)
2019-08-02(万方平台首次上网日期,不代表论文的发表时间)
共4页
131-133,137